[发明专利]一种基于HOG特征和边缘特征的异源图像匹配算法

说明书

本发明属于航电系统多源数据融合领域，具体涉及一种基于HOG特征和边缘特征的机载异源图像匹配算法。包括：对原始SAR图像预处理得到第一SAR图像；对第一SAR图像进行滤波变换得到第二SAR图像；将第二SAR图像的分辨率统一到与卫星图像的一致得到第三SAR图像；HOG特征与边缘特征结合对第三SAR图像进行特征提取，得到SAR特征图像；将原始卫星图像转为墨卡托投影第一卫星图像；对第一卫星图像预处理得到第二卫星图像；采用HOG特征与边缘特征结合的方式对第二卫星图像特征提取得到卫星特征图像；使用模板匹配算法对SAR特征图像和卫星特征图像特征匹配并验证，验证成功可根据高精度卫星图像的经纬度信息修正原始SAR图像中特定点的经纬度信息，提高目标定位精度。

技术领域

本发明属于航电系统多源数据融合领域，具体涉及一种基于HOG特征和边缘特征的异源图像匹配算法。

背景技术

随着战场环境逐渐复杂与探测条件的恶劣，更多设备和武器对目标定位精度要求越发提高,目前单个传感器的探测性能已不能满足航电系统的整体需求。因此对目标信息进行多数据源融合以提升精度成为当下航电系统的重要课题。SAR具有距离远、穿透强、全天候等优点，在军事领域有着广泛的应用。使用SAR图像与高精度卫星图像的融合，可以最大限度地挖掘环境信息，完成对地面和海面高价值目标的识别及精确定位任务。

异源图像成像机理差别较大，同一像素点的灰度值存在巨大差异，很难提取到同名特征。且SAR图像受成像姿态、遮挡、成像参数等因素影响较大，乘性相干斑噪声严重，这为SAR图像与卫星图像的异源图像匹配带来了一定困难。常见的异源图像匹配算法有：特征点匹配算法、边缘支持度匹配算法、HOG特征匹配算法、Delaunay三角约束匹配算法、曲线特征匹配算法、基于深度学习的匹配算法等。

特征点匹配算法的缺点是，SAR图像特征点的提取、描述、匹配均受相干斑噪声的干扰，且异源图像较难提取到同名特征点。边缘支持度匹配算法的缺点是图像边缘检测算法使用固定检测阈值处理不同条件下的图像，导致边缘检测效果不稳定。HOG特征一般用于处理同源图像的匹配，对于异源图像，尤其是SAR图像和可见光图像，成像机理的不同导致同一区域内的像素直方图相差较大，故HOG特征有所差异。Delaunay三角约束匹配算法的缺点是，骨架提取阈值选择较难，阈值选择不当直接导致匹配失效。曲线特征匹配算法的缺点是，不适用于闭合曲线的匹配，且计算复杂度较高。基于深度学习的匹配算法的缺点是SAR图像较少，训练样本不足，且深度学习的算法边界难以确定，可测试性差，不适合机载高精度任务。故常见的异源图像匹配算法各有不足，缺乏鲁棒性，无法直接用于工程实践，并未在论文中查到用于工程中的异源图像匹配使用案例。

发明内容

本发明的目的：提供一种基于HOG特征和边缘特征的异源图像匹配算法，解决现有异源图像匹配算法鲁棒性差，受算法阈值影响大等问题。

本发明的技术方案：

一种基于HOG特征和边缘特征的异源图像匹配算法，包括：

根据SAR图像成像时平台的姿态和位置，将原始SAR图像转换为俯视、正北的第一SAR图像；

对第一SAR图像依次进行高斯滤波、中值滤波、伽马变换得到第二SAR图像；

将第二SAR图像的分辨率统一到与卫星图像的分辨率一致得到第三SAR图像；

采用HOG特征与边缘特征结合的方式对第三SAR图像进行特征提取，得到SAR特征图像；

将原始卫星图像转为第一卫星图像，其中第一卫星图像为墨卡托投影；

对第一卫星图像依次进行高斯滤波、中值滤波得到第二卫星图像；

采用HOG特征与边缘特征结合的方式对第二卫星图像进行特征提取，得到卫星特征图像；